[發明專利]基于時空多維影響力的海面溫度深度學習預測方法

有效

• 申請號: 202010461315.1
• 申請日: 2020-05-27
• 公開（公告）號: CN111680784B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 謝江;張吉緣;徐凌宇
• 申請（專利權）人: 上海大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/0442;G06N3/08;G06Q10/04
• 代理公司: 貴州派騰知識產權代理有限公司 52114
• 代理人: 唐斌

本發明提出了基于時空多維影響力的海面溫度深度學習預測方法。本發明方法包含三個步驟：1、量化空間影響力：利用目標觀測點的鄰居觀測點海面溫度數據量化它所受到的空間影響力，并且在目標海域上構建多維時空海面溫度數據集。2、數據補全處理：使用鄰居數據均值法對數據集進行數據補全處理。3、建立預測模型：結合GRU、CNN和MLP等深度學習技術，建立基于時空多維影響力的海面溫度深度學習預測模型，即卷積門控循環單元多層感知機(Convolutional GRU with Multilayer Perceptron,CGMP)。該方法融合了時空多維影響力，結合了深度學習技術的方式，建立了一種精度高的海面溫度預測模型，并且可以被廣泛地應用到不同海域和不同尺度的海面溫度預測中。

技術領域

本發明涉及一種海面溫度預測方法。

背景技術

海面溫度(Sea Surface Temperature,SST)，又稱海表溫度，是指接近海洋表面的水溫。海面的確切含義會根據使用的測量方法而有所不同，但通常在海面以下1毫米至20米之間。海面溫度在海洋和大氣之間的能量交換中起著基礎性的作用，它也是海洋動力學過程和氣候變化中一個非常重要的參數。海面溫度的微小變化對全球氣候、海洋生態系統甚至海洋生物會產生深遠的影響，眾所周知的厄爾尼諾現象和拉尼娜現象就是由海面溫度異常(SST Anomalies,SSTA)變化引起的。由觀測或模擬的海面溫度或海面溫度異常驅動的氣候模型經常被用作季節性氣候預測的標準工具。海面溫度還經常被用作研究海洋生態系統和海洋生物的關鍵因素。因此，對海面溫度進行精準有效的觀測和預測具有重要意義。它不僅能使人類更好地了解全球氣候和海洋生態系統，它還是海洋相關領域應用的重要組成部分，如極端天氣預報、季節性氣候預報、海洋生物研究和可持續發展漁業等。然而，各種物理因素和環境因素(熱通量、輻射和海面附近的日風)都會影響海面溫度的變化，使其具有高度的隨機性和不確定性。因此，提出一種精度高的海面溫度預測方法仍是一項挑戰。

海面溫度預測方法可以被歸納為兩類。一類是數值方法，另一類是數據驅動方法。傳統的數值方法因為需要較多的海洋和大氣領域知識，以及通常在海洋甚至全球尺度上以相對較低的分辨率預測海面溫度，所以它不容易建立模型來描述海面溫度的變化。相比于數值方法，數據驅動方法，特別是深度學習方法，則需要較少的海洋和大氣領域知識，并且能夠在較小的尺寸上以高分辨率預測海面溫度，因此，它更容易建立模型來精準預測目標海域的海面溫度。然而基于時間影響力的海面溫度深度學習預測方法通常通過增強處理時間信息的能力來提高預測性能，這類方法往往專注于捕獲歷史海面溫度的時間影響力，卻忽視了目標海域對目標觀測點的整體空間影響，所以這類方法存在明顯的性能瓶頸。

發明內容

本發明通過融合時空多維影響力，以及結合循環神經網絡(Recurrent NeuralNetwork,RNN)、卷積神經網絡(Convolution Neural Network,CNN)和多層感知機(Multilayer Perceptron,MLP)等深度學習技術的方式，建立基于時空多維影響力的海面溫度深度學習預測模型，以此來解決上述的性能瓶頸問題，從而進一步提高海面溫度預測的準確度。

本發明通過以下技術方案得以實現：

一種基于時空多維影響力的海面溫度深度學習預測方法，通過融合時空多維影響力，以及結合深度學習技術的方式，建立一種精度高的海面溫度預測模型，即卷積門控循環單元多層感知機(Convolutional GRU with Multilayer Perceptron,CGMP)。該模型可以克服基于時間影響力的海面溫度深度學習預測模型的性能瓶頸，并且可以進一步提高海面溫度預測的準確度。具體步驟如下：

A.量化空間影響力：利用目標觀測點的鄰居觀測點海面溫度數據量化它所受到的空間影響力，并且在目標海域上構建多維時空海面溫度數據集；

B.數據補全處理：使用鄰居數據均值法對數據集進行數據補全處理；